của Ilan Gleiser, Andrew Wiebe, Dilshan Kathriarachchi, Marco Masciola và Ron Dembo trên02 THÁNG 4 NĂM 2025 trong Amazon Elastic Kubernetes Service , AWS Batch , High Performance Computing , Giải pháp đối tác Permalink Chia sẻ
Bài đăng này được đóng góp bởi Ilan Gleiser (AWS), Tiến sĩ Ron Dembo (riskthinking.AI), Dilshan Kathriarachchi (riskthinking.AI), Andrew Wiebe (riskthinking.AI) và Marco Masciola (AWS).
Biến đổi khí hậu là một thách thức toàn cầu đang gia tăng, với nhiệt độ tăng cao, các kiểu thời tiết thay đổi và các sự kiện cực đoan thường xuyên hơn đã tác động đến hệ sinh thái, nền kinh tế và cơ sở hạ tầng. Tài sản công và tư ngày càng phải chịu những rủi ro này. Đối với ngành điện, các nhà máy điện, đường dây truyền tải và mạng lưới phân phối phải đối mặt với những thách thức đáng kể. Ví dụ, các đợt nắng nóng kéo dài làm giảm hiệu quả của các nhà máy điện nhiệt và có thể gây quá tải lưới điện. Các nhà máy thủy điện chịu ảnh hưởng trong thời kỳ hạn hán vì mực nước thấp làm giảm khả năng tạo ra điện của chúng. Các nhà máy điện ven biển dễ bị ảnh hưởng bởi mực nước biển dâng cao và bão dâng, trong khi các tua-bin gió và tấm pin mặt trời có thể bị hư hại do những cơn bão ngày càng nghiêm trọng. Những tác động này dự kiến sẽ chỉ tăng về tần suất và cường độ, khiến các hệ thống cơ sở hạ tầng phải đánh giá và giảm thiểu rủi ro khí hậu để đảm bảo khả năng phục hồi lâu dài.
Để giải quyết những thách thức này, riskthinking.AI đã phát triển nền tảng ClimateEarthDigitalTwin (CDT™) để đánh giá rủi ro và tác động của biến đổi khí hậu. CDT tận dụng cơ sở hạ tầng HPC của Amazon Web Services (AWS) để cung cấp sức mạnh tính toán khổng lồ cần thiết để chạy các mô phỏng khí hậu phức tạp và các mô hình học máy trên quy mô toàn cầu.
Cơ sở hạ tầng điện của Ý là một ví dụ thuyết phục về nhu cầu cấp thiết phải đánh giá rủi ro khí hậu trong lĩnh vực năng lượng. Quốc gia này phụ thuộc vào hỗn hợp năng lượng đa dạng, bao gồm năng lượng mặt trời, gió, thủy điện và nhiên liệu hóa thạch, khiến quốc gia này đặc biệt dễ bị ảnh hưởng bởi nhiều rủi ro khí hậu vật lý. Ví dụ, các nhà máy thủy điện của Ý, chiếm một phần đáng kể trong năng lượng tái tạo của quốc gia này, có thể phải đối mặt với sự gián đoạn đáng kể trong thời kỳ hạn hán, trong khi các sự kiện thời tiết khắc nghiệt sẽ tiếp tục thử thách khả năng phục hồi của lưới điện. Đối với các quốc gia như Ý, nơi phụ thuộc rất nhiều vào điện và dễ bị ảnh hưởng bởi tác động của khí hậu, việc hiểu được những rủi ro này là rất quan trọng để duy trì nguồn cung cấp năng lượng đáng tin cậy và bền vững trước biến đổi khí hậu.
Bản sao kỹ thuật số Climate Earth (CDT) của Riskthinking.AI
Riskthinking.AI đã phát triển ClimateEarthDigitalTwin (CDT™) để đánh giá các rủi ro tài chính và tác động của biến đổi khí hậu trên nhiều quy mô, từ toàn bộ nền kinh tế đến từng tài sản. CDT tích hợp dữ liệu về hàng triệu tài sản hữu hình—chẳng hạn như nhà máy điện—với các dự báo khí hậu chi tiết như sự thay đổi nhiệt độ trong tương lai và thời tiết khắc nghiệt. Cơ sở dữ liệu của CDT bao gồm hơn 13.000 công ty mẹ đại chúng và hơn 5 triệu tài sản hữu hình, mỗi tài sản đều được căn chỉnh theo không gian địa lý và được đánh giá để tiếp xúc với các rủi ro khí hậu khác nhau. CDT đặc biệt sử dụng phân phối xác suất thay vì dự báo xác định để mô phỏng nhiều kịch bản trong tương lai. Kiểm tra ứng suất đa yếu tố cho phép khách hàng đánh giá cách nhiều rủi ro xảy ra đồng thời có thể ảnh hưởng đến giá trị tài sản theo thời gian. Phương pháp tiếp cận toàn diện này giúp tăng cường khả năng ra quyết định bằng cách đánh giá chính xác các rủi ro phức tạp mà biến đổi khí hậu gây ra cho cơ sở hạ tầng và thị trường tài chính.
Tuy nhiên, việc chạy một phân tích rủi ro khí hậu toàn diện như vậy đòi hỏi phải có dung lượng lưu trữ và sức mạnh tính toán khổng lồ. CDT xử lý hàng petabyte dữ liệu, sắp xếp thông tin về khí hậu và tài sản theo cả không gian và thời gian để đảm bảo độ chính xác trên nhiều vùng địa lý và khung thời gian khác nhau. Mỗi tài sản phải được đánh giá theo các mối nguy hiểm khí hậu khác nhau—như mực nước biển dâng cao và thời tiết khắc nghiệt—trong nhiều giai đoạn tương lai như 5, 10, 15, 20 và 25 năm. Mỗi kịch bản không chỉ được tính toán cho một rủi ro mà còn cho nhiều rủi ro tương tác phát triển trong nhiều thập kỷ. Thử nghiệm ứng suất đa yếu tố này, được hỗ trợ bởi thuật toán Dembo đã được cấp bằng sáng chế [1] , đòi hỏi rất nhiều tài nguyên tính toán để xử lý tính phức tạp của các tài sản và mối nguy hiểm động. Quy mô dữ liệu và phân tích nhấn mạnh công nghệ tiên tiến cần thiết để đánh giá chính xác rủi ro khí hậu trên toàn cầu.
Kết quả cuối cùng của nền tảng CDT là một bài kiểm tra ứng suất đa yếu tố tổng hợp mức độ tiếp xúc và tác động từ nhiều mối nguy hiểm do biến đổi khí hậu như nhiệt độ cực cao, lũ lụt, cháy rừng và xoáy thuận nhiệt đới, v.v. Phân tích không chỉ đưa ra các số liệu rủi ro do biến đổi khí hậu tổng hợp như Giá trị rủi ro (VaR) mà còn phân tách chúng để tìm ra yếu tố rủi ro khí hậu cụ thể nào góp phần vào rủi ro chung. Ngoài ra, CDT cung cấp một số liệu tổng hợp được gọi là Điểm tiếp xúc, thể hiện khả năng xảy ra tác động của biến đổi khí hậu trong tương lai. Phân tích này được tiến hành trên nhiều kịch bản phát thải và mốc thời gian trong tương lai và được áp dụng cho mọi ô lưới trên Trái đất ở độ phân giải không gian khoảng 10 km x 10 km. Trong các phần tiếp theo, chúng ta sẽ xem xét mã được sử dụng để thực hiện phân tích và cung cấp một ví dụ minh họa về đầu ra của CDT bằng cách kiểm tra tác động của các yếu tố rủi ro khí hậu chính đối với các cơ sở phát điện của Ý.
Được xây dựng với AWS
ClimateEarthDigitalTwin (CDT™) chạy trên AWS bằng Amazon Elastic Kubernetes Service (EKS), cung cấp nền tảng để điều phối các mô phỏng khí hậu quy mô lớn thúc đẩy CDT, Hình 1. Bằng cách sử dụng EKS, Riskthinking.AI có thể quản lý và mở rộng hiệu quả các ứng dụng chứa trong container, cho phép CDT xử lý hơn 300 tỷ đến hơn 1 nghìn tỷ mô phỏng. Cơ sở hạ tầng này cho phép CDT vừa linh hoạt vừa đáng tin cậy về khả năng tính toán của nó. Các phiên bản mới của CDT được triển khai thường xuyên thông qua Amazon Elastic Container Registry (ECR), đảm bảo cập nhật liền mạch cho ứng dụng trong khi vẫn duy trì tính liên tục trong các mô phỏng đang diễn ra.
Hình 1. Climate Earth Digital Twin tận dụng khả năng High Performance Computing (HPC) của AWS, kết hợp Amazon EKS để điều phối các mô phỏng quy mô lớn với AWS Batch để phân bổ tài nguyên và mở rộng quy mô hiệu quả. Kiến trúc HPC mạnh mẽ này cho phép CDT xử lý hàng tỷ mô phỏng khí hậu, mở rộng quy mô động từ 100 đến 1.000.000 phiên bản tính toán khi cần, đồng thời tối ưu hóa hiệu suất và hiệu quả chi phí thông qua quản lý tài nguyên tự động và các tác vụ tính toán không cần máy chủ do AWS Lambda cung cấp.
Trọng tâm chức năng của CDT là hai dịch vụ cốt lõi: Climate Earth Digital Twin Application (Analytical Engine), nơi các mô phỏng tính toán được thực hiện và Climate Earth Digital Twin API, cung cấp cho khách hàng quyền truy cập vào dữ liệu và chức năng. Analytical Engine sử dụng lớp tính toán của AWS và được hỗ trợ bởi các đường ống dữ liệu do AWS Lambda cung cấp, cho phép thực hiện các tác vụ tính toán không cần máy chủ hiệu quả cao. Các đường ống do Lambda cung cấp này hợp lý hóa việc tự động hóa thu thập, chuyển đổi và xử lý dữ liệu, cho phép CDT mở rộng quy mô và quản lý hàng tỷ mô phỏng mà không cần can thiệp thủ công, giúp giảm chi phí và tối ưu hóa hiệu suất.
Kiến trúc này đảm bảo tính ổn định của các tính năng và tính khả dụng của tài nguyên tính toán bằng cách kết hợp EKS và AWS Batch. Vì EKS được thiết kế để triển khai và mở rộng các dịch vụ vi mô và Batch được thiết kế như một điểm vào để quản lý tài nguyên tính toán, nên trình lập lịch Batch phối hợp với EKS để phân bổ tài nguyên tính toán cho các nút cụ thể dựa trên yêu cầu khối lượng công việc. Việc phân bổ tài nguyên tự động này đơn giản hóa việc triển khai tài nguyên tính toán theo nhu cầu khối lượng công việc thay đổi, cho dù cần 100 hay 1 triệu phiên bản tính toán, để đảm bảo tài nguyên mở rộng theo nhu cầu công việc.
Thiết lập đơn giản với API CDT
# API key and endpoint configuration for accessing RiskThinking.AI’s Climate Digital Twin
API_URL = “https://api.riskthinking.ai”
# Climate risk parameters: focus on specific time horizons and scenario pathway
HORIZONS = {2025, 2030, 2050, 2070, 2090} # Future projection years
PATHWAYS = {“SV”} # “SV” refers to the Stochastic View scenario developed by RiskThinking.AI
API CDT đóng vai trò quan trọng trong việc cung cấp kết quả đầu ra của các mô phỏng này cho khách hàng, cung cấp giao diện trực tiếp để truy cập vào phân tích rủi ro khí hậu của CDT. API được thiết kế để tương tác liền mạch với Analytical Engine, đảm bảo rằng các tập dữ liệu lớn và kết quả mô phỏng luôn sẵn sàng và có thể truy cập nhanh chóng. Bằng cách tận dụng cơ sở hạ tầng có khả năng mở rộng do EKS và Lambda cung cấp, API mang lại hiệu suất nhất quán, ngay cả khi khối lượng công việc lớn, cho phép khách hàng truy cập vào thông tin chi tiết về rủi ro khí hậu theo thời gian thực một cách đáng tin cậy.
Amazon S3 là lớp lưu trữ chính của CDT, lưu trữ các tập dữ liệu khí hậu khổng lồ cần thiết cho các mô phỏng toàn cầu. Với S3, Riskthinking.AI được hưởng lợi từ dung lượng lưu trữ gần như không giới hạn và độ bền dữ liệu mạnh mẽ, đảm bảo rằng khối lượng dữ liệu lớn—kéo dài hàng thập kỷ về hồ sơ khí hậu và kết quả mô phỏng—được lưu trữ an toàn và có thể được truy xuất khi cần. Việc tích hợp S3 với các dịch vụ AWS khác cho phép CDT hoạt động ở quy mô lớn mà không làm giảm hiệu suất, ngay cả khi xử lý lượng lớn dữ liệu khí hậu.
Lấy tài sản vật chất từ CDT
Mã bên dưới lấy các tài sản vật chất liên quan đến lĩnh vực sản xuất, truyền tải và phân phối điện tại Ý từ API. Sau đó, nó làm giàu các tài sản đó bằng dữ liệu rủi ro khí hậu, chẳng hạn như tác động khí hậu dự kiến và Giá trị rủi ro, cho các lộ trình kịch bản cụ thể và khung thời gian. Dữ liệu kết quả có thể được sử dụng để đánh giá các tác động tiềm tàng của biến đổi khí hậu đối với các tài sản này và cung cấp thông tin cho các chiến lược quản lý rủi ro.
Mã này thực hiện các hành động sau:
- Công cụ này đang lấy dữ liệu về tài sản vật lý của lưới điện ở Ý từ API.
- Lệnh gọi API được phân trang, nghĩa là nó trả về kết quả theo từng phần (trang) gồm 100 nội dung cùng một lúc.
- Đối với mỗi trang kết quả:
– Thực hiện yêu cầu API để lấy dữ liệu tài sản.
– Trích xuất các thông tin chi tiết cụ thể (id, trạng thái, kinh độ, vĩ độ, hex_id) từ mỗi tài sản trong phản hồi.
– Thêm các thông tin chi tiết này vào danh sách có tên `all_assets`.
- Nó sử dụng hệ thống phân trang dựa trên con trỏ để lấy tất cả các trang kết quả. Vòng lặp tiếp tục cho đến khi đạt đến trang kết quả cuối cùng.
- Mã này được thiết kế để xử lý các tập dữ liệu lớn một cách hiệu quả bằng cách lấy dữ liệu thành từng phần có thể quản lý được thay vì lấy tất cả cùng một lúc.
Mã mẫu:
all_assets = []
cursor = “”
# Loop through paginated API responses to collect asset data
while True:
# Fetch Electric Grid physical assets in Italy response = requests.get(
f”{API_URL}/v3/assets”,
params={
“country”: “ITA”,
“asset_type”: “Electric Power Generation, Transmission and Distribution”,
“limit”: 100,
“cursor”: cursor,
“key”: API_KEY,
},
).json()
# Parse relevant asset details (id, state, coordinates, etc.)
assets = [
{
“id”: asset[“id”],
“state”: asset[“state”], # Regional/state-level information
“longitude”: asset[“longitude”], # Geospatial data
“latitude”: asset[“latitude”],
“hex_id”: asset[“hex_id”],
}
for asset in response[“results”]
]
# Append the fetched assets to the list
all_assets.extend(assets)
# Break the loop if the last page of the response has been reached
if response[“pagination”][“last_page”]:
break
Về bản chất, mã này đang thu thập dữ liệu toàn diện về các tài sản phát điện, truyền tải và phân phối điện trên khắp nước Ý, lưu trữ thông tin chính về danh tính và vị trí của từng tài sản. Dữ liệu này sau đó có thể được sử dụng để phân tích thêm, chẳng hạn như đánh giá rủi ro khí hậu đối với các tài sản này.
Để tăng cường xử lý và truy xuất dữ liệu, CDT tận dụng Amazon RDS (Dịch vụ cơ sở dữ liệu quan hệ) cho PostgreSQL và Amazon ElastiCache (Redis). RDS cung cấp giải pháp cơ sở dữ liệu quan hệ mạnh mẽ, được quản lý để lưu trữ dữ liệu có cấu trúc cần thiết cho các mô phỏng, chẳng hạn như các mô hình khí hậu và dự báo lịch sử. ElastiCache, sử dụng Redis, hoạt động như một lớp lưu trữ đệm để giảm độ trễ và tăng tốc truy cập vào dữ liệu thường được yêu cầu, đảm bảo rằng các mô phỏng có thể chạy hiệu quả mà không bị chậm trễ do các quy trình truy xuất dữ liệu chậm.
Làm giàu tài sản vật chất với Phân tích rủi ro khí hậu của CDT
Mã này đang làm giàu dữ liệu tài sản vật lý đã thu thập trước đó bằng phân tích rủi ro khí hậu từ Climate Earth Digital Twin (CDT). Sau đây là những gì nó đang làm:
- Nó lặp qua từng tài sản trong danh sách `all_assets` đã được thu thập trong đoạn mã trước đó.
- Đối với mỗi tài sản, nó sẽ thực hiện yêu cầu API để lấy dữ liệu rủi ro khí hậu cụ thể cho tài sản đó bằng cách sử dụng ID duy nhất của tài sản đó.
- Dữ liệu rủi ro khí hậu do API trả về bao gồm nhiều điểm số khác nhau cho các mốc thời gian tương lai và lộ trình kịch bản khác nhau.
- Sau đó, mã sẽ lọc và xử lý dữ liệu này:
– Chỉ bao gồm điểm số cho các lộ trình kịch bản cụ thể (được xác định trong PATHWAYS) và mốc thời gian (được xác định trong HORIZONS).
– Đối với mỗi điểm số có liên quan, nó sẽ tạo ra một từ điển chứa:
* ID, trạng thái và hex_id của tài sản
* Năm tương lai (chân trời) mà điểm số áp dụng
* Con đường kịch bản
* Tác động dự kiến của khí hậu đến tài sản
* Giá trị rủi ro (VaR) ở mức độ tin cậy 95%
- Những điểm số đã xử lý này được thêm vào danh sách có tên là `all_climate_scores`.
Mã mẫu:
# Loop through all collected assets and fetch climate risk data
for asset in all_assets:
asset_id = asset[“id”] # Extract the unique asset ID
# API request to fetch climate risk data for the current asset
url = f”{API_URL}/v3/assets/{asset_id}/climate/risks?key={API_KEY}”
response = requests.get(url).json()
# Store relevant climate risk scores for specified horizons and scenario pathway
all_climate_scores.extend(
[
{
“id”: asset_id,
“state”: asset[“state”],
“hex_id”: asset[“hex_id”],
“horizon”: score[
“horizon”
], # The future year (horizon) under consideration
“pathway”: score[
“pathway”
], # Scenario pathway, e.g., Stochastic View (SV)
“expected_impact”: score[
“expected_impact”
], # Expected climate impact on the asset
“var_95”: score[
“var_95”
], # Value-at-Risk (VaR) at the 95% confidence level
}
for score in response[“results”]
if score[“pathway”] in PATHWAYS
and score[“horizon”]
in HORIZONS # Filter for the relevant scenarios and time horizons])
Về bản chất, mã này đang tăng cường dữ liệu tài sản cơ bản với các dự báo rủi ro khí hậu chi tiết. Nó đang tạo ra một tập dữ liệu toàn diện liên kết từng tài sản vật chất với các rủi ro khí hậu dự kiến của nó trong nhiều kịch bản và khoảng thời gian trong tương lai. Tập dữ liệu được làm giàu này sau đó có thể được sử dụng để phân tích chuyên sâu về tác động của biến đổi khí hậu đối với cơ sở hạ tầng lưới điện của Ý.
Nền tảng Điện toán hiệu suất cao (HPC) của AWS cho phép Riskthinking.AI chạy CDT một cách đáng tin cậy ở quy mô lớn, cung cấp cả tính linh hoạt và sức mạnh cần thiết để xử lý nhu cầu tính toán khổng lồ của mô hình hóa khí hậu toàn cầu. Bằng cách sử dụng các dịch vụ chứa được quản lý thông qua EKS, đường ống tính toán không cần máy chủ với Lambda và giải pháp lưu trữ tiết kiệm chi phí với S3, CDT có thể hoạt động với độ chính xác và độ tin cậy, tạo ra dữ liệu tổng hợp có thể được sử dụng để đào tạo các mô hình học máy. Cấu trúc giá của AWS, cho phép mở rộng quy mô dựa trên mức sử dụng thực tế, đảm bảo hơn nữa rằng CDT chạy theo cách tiết kiệm chi phí trong khi vẫn đáp ứng được nhu cầu hiệu suất cao của phân tích rủi ro khí hậu.
Phân bố không gian của các cơ sở sản xuất điện của Ý
Cơ sở dữ liệu tài sản của Riskthinking.AI chứa nhiều loại tài sản sản xuất và phân phối điện, từ các nhà máy điện và trạm biến áp, đến các trang trại năng lượng mặt trời, nhà máy thủy điện và các cơ sở sản xuất điện nhiên liệu hóa thạch, cùng nhiều loại khác. Một tập hợp con của các danh mục này (cụ thể là các nhà máy điện nhiên liệu hóa thạch, nhà máy điện, cơ sở thủy điện và các trang trại năng lượng mặt trời) được mô tả trong Hình 2 nhằm mục đích minh họa. Cụ thể, trong khi các nhà máy năng lượng mặt trời và nhiên liệu hóa thạch được phân bổ khá đồng đều trên khắp cả nước, thì việc sản xuất thủy điện lại tập trung cao độ ở các vùng phía bắc của đất nước, gây ra rủi ro đáng kể về khí hậu. Các tác động của biến đổi khí hậu, chẳng hạn như các kiểu mưa thay đổi và hạn hán kéo dài, thường mang tính đặc thù theo từng khu vực, nghĩa là một sự kiện khí hậu duy nhất có thể đồng thời ảnh hưởng đến nhiều đập nếu chúng nằm dọc theo cùng một lưu vực sông. Sự tập trung về mặt địa lý này làm tăng thêm tính dễ bị tổn thương của toàn bộ hệ thống thủy điện, vì các cú sốc khí hậu cục bộ có thể làm gián đoạn một phần đáng kể sản lượng năng lượng tái tạo của Ý cùng một lúc.
Hình 2. Vị trí của các nhà máy phát điện nhiên liệu hóa thạch, thủy điện và năng lượng mặt trời trên khắp nước Ý. Ví dụ, sự tập trung của các cơ sở thủy điện ở các vùng phía bắc, cùng với rủi ro khí hậu cục bộ, làm tăng thêm tính dễ bị tổn thương của ngành năng lượng.
Rủi ro biến đổi khí hậu đối với cơ sở hạ tầng điện của Ý
Tiếp tục tập trung vào tập hợp con của cơ sở hạ tầng điện được mô tả trong Hình 2, kết quả của chúng tôi cho thấy các chu kỳ đóng băng-tan băng và nhiệt độ cực cao hiện đang gây ra mối đe dọa lớn nhất đối với các nhà máy điện nhiên liệu hóa thạch và năng lượng mặt trời, trong khi các cơ sở phát điện thủy điện chịu ảnh hưởng nhiều nhất bởi nhiệt độ cực thấp và các chu kỳ đóng băng-tan băng. Các chu kỳ đóng băng-tan băng có thể gây ra thiệt hại nặng nề cho các công trình bê tông như đập bằng cách khiến nước thấm qua các vết nứt giãn nở khi đóng băng, tạo áp lực lên vật liệu xung quanh. Sự giãn nở và co lại lặp đi lặp lại làm suy yếu và xuống cấp vật liệu, dẫn đến các vết nứt và có thể gây hư hỏng kết cấu.
Vào cuối thế kỷ này, tác động từ nhiều yếu tố rủi ro khác nhau, đặc biệt là nhiệt độ cực cao và chu kỳ đóng băng-tan băng, được dự đoán sẽ tăng lên (Hình 3). Ví dụ, trong số tất cả các cơ sở sản xuất thủy điện hiện đang hoạt động tại Ý, tác động tối đa từ đóng băng-tan băng ước tính là 2,48 phần trăm, trong khi cùng một yếu tố rủi ro có thể gây ra thiệt hại lên tới 5,27 phần trăm cho một hoặc nhiều nhà máy thủy điện vào thời điểm năm 2090. Điều này đặc biệt đáng lo ngại vì phần lớn các đập của Ý đều nằm trong cùng một khu vực, khiến tất cả chúng đều dễ bị giảm công suất phát điện đồng thời hoặc tệ hơn là hỏng hóc.
Hình 3. Mẫu không gian của các tác động của yếu tố cho năm 2025 và 2090, đối với (a) cực lạnh, (b) cực nóng và (c) chu kỳ đóng băng-tan băng. Các hàng tương ứng với ba loại cơ sở sản xuất điện chính: nhiên liệu hóa thạch, thủy điện và cơ sở sản xuất điện mặt trời. Sự gia tăng rủi ro từ nhiệt độ cực cao (cột giữa) từ năm 2025 đến năm 2090 có thể thấy rõ đối với cả ba loại cơ sở. Các nhà máy thủy điện (hàng giữa) đặc biệt dễ bị ảnh hưởng bởi các chu kỳ đóng băng-tan băng (cột phải) vào chính năm 2025 và tác động này được dự đoán sẽ tăng lên trong vài thập kỷ tới cho đến năm 2090.
Tương tự như vậy, các nhà máy điện mặt trời sẽ tiếp tục phải đối mặt với tổn thất ngày càng tăng do biến đổi khí hậu. Có phần trái ngược với trực giác, nhiệt độ cực cao có thể tác động đáng kể đến hiệu suất của các tấm pin mặt trời. Các tấm pin mặt trời hoạt động tốt nhất trong phạm vi từ 15°C đến 35°C và nhiệt độ cao có thể làm giảm công suất đầu ra của chúng từ 10-25 phần trăm. Trong điều kiện nhiệt độ cực cao, các tấm pin có thể đạt nhiệt độ cao tới 65°C, ảnh hưởng tiêu cực đến hiệu suất của chúng.
Nhiệt độ cực cao sẽ tiếp tục ảnh hưởng không chỉ đến các tấm pin mặt trời mà còn đến cả ba loại cơ sở hạ tầng phát điện, với mô hình rất nhất quán được quan sát thấy trên toàn quốc như mô tả trong Hình 4.
Hình 4, Tác động về mặt giá trị tài sản bị mất do nhiều yếu tố rủi ro khác nhau ở cấp độ tài sản riêng lẻ, được mã hóa màu theo tiểu bang. Các cột biểu thị các yếu tố rủi ro (a) giá lạnh khắc nghiệt, (b) giá nóng khắc nghiệt và (c) chu kỳ đóng băng-tan băng. Các hàng tương ứng với các loại cơ sở sản xuất điện chính: nhiên liệu hóa thạch, thủy điện, nhà máy điện và cơ sở sản xuất điện mặt trời. Giá nóng khắc nghiệt (ở giữa) thể hiện mô hình nhất quán nhất về tác động gia tăng theo thời gian đối với tất cả các tiểu bang. Khi khí hậu thay đổi, giá lạnh khắc nghiệt (bên trái) có xu hướng trở nên ít nghiêm trọng hơn, tuy nhiên chu kỳ đóng băng-tan băng (bên phải) có thể gây ra nhiều thiệt hại hơn, đặc biệt là đối với các nhà máy thủy điện chủ yếu tập trung ở các khu vực phía bắc.
Phần kết luận
Theo phân tích của chúng tôi, rõ ràng là khi biến đổi khí hậu tiếp tục gia tăng, cơ sở hạ tầng phát điện của Ý phải đối mặt với rủi ro ngày càng tăng. Các sự kiện thời tiết khắc nghiệt như đợt nắng nóng kéo dài, chu kỳ đóng băng-tan băng và các mối nguy hiểm khác gây ra mối đe dọa đáng kể đến an ninh năng lượng của quốc gia. Sự tập trung về mặt địa lý của các cơ sở thủy điện, kết hợp với các rủi ro cụ thể theo từng khu vực, khiến ngành năng lượng đặc biệt dễ bị tổn thương.
Ứng dụng ClimateEarthDigitalTwin (CDTTM) của Riskthinking.AI đã cho phép đánh giá toàn diện những rủi ro này, cung cấp thông tin chi tiết có thể hành động cho những người ra quyết định. Phân tích của chúng tôi cung cấp các số liệu tổng hợp như Giá trị rủi ro (VaR) và xác suất tiếp xúc với biến đổi khí hậu, vô cùng có giá trị để hiểu được tác động rộng hơn của rủi ro khí hậu. Đồng thời, chúng tôi có thể phân tách các số liệu này để tìm ra những yếu tố rủi ro cụ thể nào—chẳng hạn như nhiệt độ cực cao hoặc lũ lụt—góp phần nhiều nhất vào mức độ tiếp xúc chung. Trong blog này, chúng tôi đã nêu bật một số điểm số phân tách cho mục đích minh họa. Tuy nhiên, nếu bạn muốn xem các số liệu tổng hợp hoặc khám phá các chiều hướng khác trong phân tích của chúng tôi, chúng tôi khuyến khích bạn liên hệ với chúng tôi để biết thêm thông tin.
Bằng cách sử dụng các mô hình xác suất và thử nghiệm ứng suất đa yếu tố trên các kịch bản phát thải, CDT cung cấp một công cụ mạnh mẽ để lập kế hoạch đầu tư cơ sở hạ tầng trong tương lai, giảm thiểu rủi ro và các chiến lược thích ứng với khí hậu. Khi các quốc gia như Ý chuyển sang năng lượng tái tạo, việc đánh giá và giải quyết các rủi ro về khí hậu sẽ rất cần thiết để đảm bảo khả năng phục hồi và tính bền vững lâu dài trong lĩnh vực điện.
Chúng tôi khuyến khích các chính phủ và tổ chức khác thực hiện các đánh giá rủi ro khí hậu tương tự cho cơ sở hạ tầng quan trọng của họ. Để tìm hiểu thêm về cách Climate Earth Digital Twin có thể giúp đánh giá và giảm thiểu rủi ro khí hậu, vui lòng liên hệ với Riskthinking.AI theo địa chỉ info@riskthinking.ai hoặc truy cập trang web của họ tại http://www.riskthinking.ai. Để biết thông tin về việc tận dụng các dịch vụ AWS để lập mô hình và phân tích khí hậu, hãy liên hệ với aws-hpc-info@amazon.com.
Tài liệu tham khảo
[1] Ron Dembo, Risk Thinking, Phụ lục 1, Archway Press 2020, và Ron Dembo, Algorithmic Scenario Generation, Risk.Net, tháng 7 năm 2020.
THẺ: Thời tiết
Ilan Gleiser
Ilan Gleiser là Chuyên gia GenAI chính tại nhóm AWS WWSO Frameworks tập trung vào việc phát triển các kiến trúc Trí tuệ nhân tạo tổng quát có thể mở rộng và tối ưu hóa đào tạo và suy luận mô hình nền tảng. Với nền tảng phong phú về AI và học máy, Ilan đã xuất bản hơn 20 blog và cung cấp hơn 100 nguyên mẫu trên toàn cầu trong 5 năm qua. Ilan có bằng Thạc sĩ về kinh tế toán học.
Andrew Wiebe
Andrew Wiebe, Giám đốc khoa học tại Riskthinking.AI, là một nhà khoa học về khí quyển với 20 năm kinh nghiệm trong lĩnh vực khí tượng học lớp ranh giới, dự báo thời tiết số, dự báo hoạt động, phân tích khí hậu, mô hình phân tán, kiểm kê khí thải công nghiệp, phân tích thống kê, phân tích khí hậu và nghiên cứu biến đổi khí hậu. Ông có chuyên môn về điện toán hiệu suất cao và phân tích dữ liệu, đồng thời là tác giả và đồng tác giả của nhiều bài báo được bình duyệt ngang hàng. Andrew hiện đang làm việc trong Nhóm tác giả tác động và thích ứng của Dự án so sánh mô hình ghép giai đoạn 7 (WCRP-CMIP7) của Chương trình nghiên cứu khí hậu thế giới.
Dilshan Kathriarachchi
Dilshan Kathriarachchi là một nhà lãnh đạo công nghệ dày dạn kinh nghiệm với thành tích đã được chứng minh trong việc mở rộng quy mô doanh nghiệp, xây dựng các nhóm có hiệu suất cao và đi đầu trong đổi mới sản phẩm, Dilshan Kathriarachchi hiện đang giữ chức vụ CTO tại Riskthinking.AI. Dilshan đã đóng vai trò quan trọng trong việc chuyển đổi EQ Works (TSXV: EQ) từ một nhà cung cấp AdTech thành một doanh nghiệp phân tích không gian địa lý dựa trên dữ liệu trong nhiệm kỳ của mình với tư cách là CTO. Trước đó trong sự nghiệp của mình, với tư cách là Chủ tịch kiêm CTO của Addictive Mobility, Dilshan đã đi đầu trong việc thành lập một trong những công ty AdTech đầu tiên của Canada. Với hơn 15 năm kinh nghiệm, ông tận dụng chuyên môn sâu rộng của mình về máy học, cơ sở hạ tầng dữ liệu, AI và phân tích không gian địa lý để thúc đẩy sứ mệnh của công ty là cung cấp thông tin tình báo rủi ro khí hậu có thể hành động.
Marco Masciola
Marco Masciola là Kiến trúc sư giải pháp đối tác cấp cao cho Phân khúc đối tác bền vững toàn cầu tại Amazon Web Services. Marco giúp các đối tác AWS xây dựng và cung cấp các giải pháp bền vững của họ thông qua đám mây AWS.
Ron Dembo
Tiến sĩ Ron Dembo từng là Phó giáo sư tại Yale, giáo sư thỉnh giảng tại MIT, cố vấn cho Goldman Sachs và các tập đoàn và ngân hàng lớn khác, và là tác giả. Ông đã thành lập Algorithmics, công ty mà ông đã phát triển thành nhà cung cấp hệ thống rủi ro tài chính doanh nghiệp lớn nhất cho các ngân hàng trên toàn thế giới trước khi bán cho Fitch và sau đó là IBM. Ông đã xuất bản nhiều bài báo trên các tạp chí khoa học và là tác giả của nhiều bằng sáng chế trên toàn thế giới. Ông được phong làm thành viên trọn đời của Viện Toán học Fields vào năm 2007 vì những đóng góp của ông cho Toán học Canada và đã nhận được nhiều giải thưởng cho công trình nghiên cứu về tối ưu hóa, quản lý rủi ro và biến đổi khí hậu. Là Nhà sáng lập kiêm Giám đốc điều hành của Riskthinking.AI, Ron đã áp dụng chuyên môn về mô hình hóa kịch bản đa yếu tố đã được cấp bằng sáng chế của mình để tạo ra một nền tảng dữ liệu và công cụ phân tích nhằm đo lường và quản lý rủi ro tài chính về khí hậu.
AWS Study Group 